論文の概要: Weakly Supervised Segmentation Framework for Thyroid Nodule Based on High-confidence Labels and High-rationality Losses

• arxiv url: http://arxiv.org/abs/2502.19707v1
• Date: Thu, 27 Feb 2025 02:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:57:46.273026
• Title: Weakly Supervised Segmentation Framework for Thyroid Nodule Based on High-confidence Labels and High-rationality Losses
• Title（参考訳）: 高信頼ラベルと高合理性損失に基づく甲状腺結節の弱修正セグメンテーションフレームワーク
• Authors: Jianning Chi, Zelan Li, Geng Lin, MingYang Sun, Xiaosheng Yu,
• Abstract要約: トポロジカルな情報と解剖学的な情報を表現し,多段階の識別特徴を捉えるために,高信頼な擬似ラベルを用いたフレームワークを提案する。 提案手法は,TN3KおよびDDTIデータセット上での最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 8.791228963429383
• License:
• Abstract: Weakly supervised segmentation methods can delineate thyroid nodules in ultrasound images efficiently using training data with coarse labels, but suffer from: 1) low-confidence pseudo-labels that follow topological priors, introducing significant label noise, and 2) low-rationality loss functions that rigidly compare segmentation with labels, ignoring discriminative information for nodules with diverse and complex shapes. To solve these issues, we clarify the objective and references for weakly supervised ultrasound image segmentation, presenting a framework with high-confidence pseudo-labels to represent topological and anatomical information and high-rationality losses to capture multi-level discriminative features. Specifically, we fuse geometric transformations of four-point annotations and MedSAM model results prompted by specific annotations to generate high-confidence box, foreground, and background labels. Our high-rationality learning strategy includes: 1) Alignment loss measuring spatial consistency between segmentation and box label, and topological continuity within the foreground label, guiding the network to perceive nodule location; 2) Contrastive loss pulling features from labeled foreground regions while pushing features from labeled foreground and background regions, guiding the network to learn nodule and background feature distribution; 3) Prototype correlation loss measuring consistency between correlation maps derived by comparing features with foreground and background prototypes, refining uncertain regions to accurate nodule edges. Experimental results show that our method achieves state-of-the-art performance on the TN3K and DDTI datasets. The code is available at https://github.com/bluehenglee/MLI-MSC.
• Abstract（参考訳）: 超音波画像中の甲状腺結節を,粗いラベルを用いたトレーニングデータを用いて効率的に抽出する。 1)トポロジカルな先行する低信頼の擬似ラベル、有意なラベルノイズの導入、及び 2) ラベルとのセグメンテーションを厳密に比較し, 多様な複雑な形状の結節に対する識別情報を無視する低能率損失関数。 これらの課題を解決するため,多段階識別特徴を捉えるために,トポロジカルおよび解剖学的情報を表す高信頼度擬似ラベルと高能率損失を示すフレームワークを提示し,弱教師付き超音波画像セグメンテーションの目的と基準を明らかにした。 具体的には、4点アノテーションとMedSAMモデルによる幾何学的変換を融合させ、高信頼度ボックス、前景、背景ラベルを生成する。 我々の高合理性学習戦略には以下のものがある。 1) セグメントとボックスラベル間の空間的整合性を測定するアライメント損失,及び前景ラベル内のトポロジカルな連続性を計測し,ネットワークに結節位置を知覚させる。 2) 前景・背景地域からの特徴を押しながら,前景・背景地域からの特徴を引き寄せ,結節・背景特徴分布を学習するためにネットワークを誘導する。 3) 原型相関損失測定は, 特徴と前景, 背景のプロトタイプを比較した相関地図の整合性を測定し, 不確定領域を正確な結節エッジに精製する。 実験結果から,本手法はTN3KおよびDDTIデータセット上での最先端性能を実現することが示された。 コードはhttps://github.com/bluehenglee/MLI-MSCで公開されている。

関連論文リスト

• Beyond Point Annotation: A Weakly Supervised Network Guided by Multi-Level Labels Generated from Four-Point Annotation for Thyroid Nodule Segmentation in Ultrasound Image [8.132809580086565]
  微妙な結節セグメンテーションの制約を洗練するために、4点アノテーションから多レベルラベルを生成する弱教師付きネットワークを提案する。 提案するネットワークは,2つの公開データセットにおいて,精度とロバスト性に関して,既存の弱教師付き手法よりも優れている。
  論文  参考訳（メタデータ） (2024-10-25T06:34:53Z)
• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• SLoRD: Structural Low-Rank Descriptors for Shape Consistency in Vertebrae Segmentation [13.225110742269543]
  我々は,CT画像から脊椎を自動的に正確に分割するための輪郭型ネットワークを提案する。 具体的には、SLoRDと呼ばれる形状整合性のための構造的低ランク記述子に基づく輪郭型ネットワークを提案する。 輪郭記述子をより正確に表現するために、球面座標系を採用し、球面セントロイドを考案する。
  論文  参考訳（メタデータ） (2024-07-11T14:39:54Z)
• Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
  トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。 提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
  論文  参考訳（メタデータ） (2024-03-04T11:24:51Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• COSST: Multi-organ Segmentation with Partially Labeled Datasets Using Comprehensive Supervisions and Self-training [15.639976408273784]
  ディープラーニングモデルは、マルチ組織セグメンテーションにおいて顕著な成功を収めてきたが、典型的には、興味のあるすべての器官に注釈を付けた大規模なデータセットを必要とする。 利用可能な部分ラベル付きデータセットの統一モデルを学習して、そのシナジスティックなポテンシャルを活用する方法については、調査が不可欠である。 COSSTと呼ばれる新しい2段階のフレームワークを提案し、このフレームワークは包括的監視信号と自己学習を効果的に効率的に統合する。
  論文  参考訳（メタデータ） (2023-04-27T08:55:34Z)
• Local contrastive loss with pseudo-label based self-training for semi-supervised medical image segmentation [13.996217500923413]
  セミ/セルフ教師付き学習ベースのアプローチは、注釈付きデータとともにラベル付きデータを悪用する。 近年の自己教師付き学習法では, コントラッシブ・ロスを用いて, ラベルのない画像から優れたグローバルレベル表現を学習している。 セグメンテーションに有用な画素レベルの特徴を,セマンティックラベル情報を利用して学習するために,局所的なコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-12-17T17:38:56Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• Disentangling Human Error from the Ground Truth in Segmentation of Medical Images [12.009437407687987]
  本稿では,純粋にノイズの多い観測のみから,個々のアノテータの信頼性,真のセグメンテーションラベル分布まで,共同学習手法を提案する。 本手法は,必要ならばシミュレートした3つの医用画像セグメンテーションデータセットと実際の多彩なアノテーションに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-31T11:03:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。